通过减少机动图像BCI系统道数量来提高性能
Ali Özkahraman1,2, Tamer Ölmez1, Zümray Dokur1
1Department of Electronics and Communication Engineering, Istanbul Technical University, 34467 Istanbul, Istanbul, Turkey.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
将电眼图 (EOG) 频道与较少的电脑图 (EEG) 频道相结合,可以提高脑计算机接口 (BCI) 分类的准确性. 这种方法比单独使用多个EEG通道来执行运动图像任务更有效.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 分类运动图像 (MI) 脑电图 (EEG) 信号对于脑计算机接口 (BCI) 系统至关重要.
- 在BCI系统中减少道数量可以提高灵活性,可移植性和效率,特别是在多类场景中.
- 目前的方法通常需要许多EEG通道来准确分类MI.
研究的目的:
- 为了研究将电眼图 (EOG) 频道与减少的一组EEG频道相结合的疗效,用于MI分类.
- 挑战EOG频道仅仅是噪声贡献的概念,证明它们在MI信号分类中的实用性.
- 开发和验证一个优化的深度学习模型,用于MI信号分类与频道缩小.
主要方法:
- 利用先进的深度学习架构,包括1D卷积块和深度可分离卷积.
- 通过将最小数量的EOG频道与减少的EEG频道集集成,实施了频道减少策略.
- 在两个不同的数据集上评估了拟议的方法:BCI竞争IV数据集IIa (4类MI) 和微博数据集 (7类MI).
主要成果:
- 在数据集1 (4类MI) 上仅使用6个通道 (3 EEG,3 EOG) 实现了83%的准确性.
- 在5个频道 (3 EEG,2 EOG) 的数据集2 (7类MI) 上获得了61%的准确性.
- 与仅依靠更多的EEG频道相比,表现出更高的性能.
结论:
- 结合EOG和减少的EEG通道是BCI中MI分类的有效策略.
- 拟议的深度学习模型成功地利用了EOG数据来提高分类准确性.
- 这种通道缩小方法提高了BCI系统在现实应用中的实用性和效率.
